"1. 负责智算中心 GPU 服务器集群的日常运维管理，包括服务器硬件巡检、故障定位与报修跟进，保障算力资源稳定可用； 2. 负责国产 GPU（真武、昆仑芯、沐曦等）服务器的驱动、固件、算力组件的部署与版本维护； 3. 负责大模型训练与推理环境的部署与调优，包括模型权重管理、推理服务（vLLM/TGI 等）部署、显存与算力资源分配； 4. 负责模型管理平台的日常运维，包括模型仓库管理、镜像构建、容器编排（Docker/Kubernetes）、服务发布与回滚； 5. 负责智算集群监控告警体系的维护，覆盖服务器硬件、GPU/NPU 状态、网络、存储及模型服务运行指标，及时响应并处理告警； 6. 配合开发与算法团队完成大模型训练/推理任务的环境搭建、资源调度与问题排查； 7. 编写运维自动化脚本与操作手册，沉淀运维知识库，持续提升运维效率。" "1. 本科及以上学历，计算机、软件工程、通信等相关专业，3 年及以上 Linux 系统运维或 AI 基础设施运维经验； 2. 熟悉国产 GPU 服务器（真武、昆仑芯、海光、沐曦等）的基本架构与运维操作，了解 npu-smi、xpu-smi 等厂商管理工具的使用； 3. 了解大模型部署的基本流程，具备 vLLM、TGI、Ollama 等推理框架的实际部署经验，理解模型量化、批处理、显存优化等基本概念； 4. 熟练使用 Docker 容器技术，了解 Kubernetes 基本架构与常用资源对象（Pod、Deployment、Service 等），能独立完成容器化应用的部署与排障； 5. 熟悉 Linux 系统管理，掌握 Shell/Python 至少一种脚本语言，能编写自动化运维脚本； 6. 了解 TCP/IP 网络基础、分布式存储（Ceph/NFS 等）基本概念，具备网络与存储故障的初步排查能力； 7. 具备良好的问题分析与故障排查能力，责任心强，能接受非工作时间应急响应。" "1. 有国产算力栈实际使用经验者优先； 2. 了解 KubeFlow、Ray、Slurm 等 AI 任务调度框架者优先； 3. 有 Prometheus、Grafana、ELK 等监控日志平台搭建与维护经验者优先； 4. 了解 CI/CD 流水线（GitLab CI/Jenkins）与 Git 版本管理工具者优先； 5. 有智算中心、大模型训练平台或异构算力集群运维经验者优先； 6. 持有相关认证者优先。"

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录